Arabisk | Bengali | Bulgarsk | Burmesisk (Myanmar) | Kinesisk (Forenklet) | Kinesisk (Tradisjonell, Hong Kong) | Kinesisk (Tradisjonell, Macau) | Kinesisk (Tradisjonell, Taiwan) | Kroatisk | Tsjekkisk | Dansk | Nederlandsk | Estisk | Finsk | Fransk | Tysk | Gresk | Hebraisk | Hindi | Ungarsk | Indonesisk | Italiensk | Japansk | Kannada | Koreansk | Litauisk | Malayisk | Malayalam | Marathi | Nepalsk | Nigeriansk Pidgin | Norsk | Persisk (Farsi) | Polsk | Portugisisk (Brasil) | Portugisisk (Portugal) | Punjabi (Gurmukhi) | Rumensk | Russisk | Serbisk (Kyrillisk) | Slovakisk | Slovensk | Spansk | Swahili | Svensk | Tagalog (Filippinsk) | Tamil | Telugu | Thai | Tyrkisk | Ukrainsk | Urdu | Vietnamesisk
Foretrekker du å klone lokalt?
Dette depotet inneholder over 50 språkoversettelser som betydelig øker nedlastingsstørrelsen. For å klone uten oversettelser, bruk sparsommelig utsjekking:
Bash / macOS / Linux:
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git cd ML-For-Beginners git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'CMD (Windows):
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git cd ML-For-Beginners git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"Dette gir deg alt du trenger for å fullføre kurset med en mye raskere nedlasting.
Vi har en Discord-serie for å lære med AI pågående, lær mer og bli med oss på Learn with AI Series fra 18. til 30. september 2025. Du vil få tips og triks for å bruke GitHub Copilot for Data Science.
🌍 Reis rundt i verden mens vi utforsker maskinlæring gjennom verdens kulturer 🌍
Cloud Advocates hos Microsoft gleder seg til å tilby en 12-ukers, 26-leksjons læreplan som handler om maskinlæring. I denne læreplanen vil du lære om det som noen ganger kalles klassisk maskinlæring, ved å bruke primært Scikit-learn som bibliotek og unngå dyp læring, som dekkes i vår AI for Beginners-læreplan. Kombiner gjerne disse leksjonene med vår 'Data Science for Beginners'-læreplan!
Reis med oss rundt om i verden mens vi anvender disse klassiske teknikkene på data fra mange områder i verden. Hver leksjon inkluderer tester før og etter leksjonen, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en bevist måte for nye ferdigheter å "sette seg".
✍️ Hjertelig takk til våre forfattere Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu og Amy Boyd
🎨 Takk også til våre illustratører Tomomi Imura, Dasani Madipalli og Jen Looper
🙏 Spesiell takk 🙏 til våre Microsoft Student Ambassador-forfattere, anmeldere og innholdsbidragsytere, spesielt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila og Snigdha Agarwal
🤩 Ekstra takknemlighet til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi og Vidushi Gupta for våre R-leksjoner!
Følg disse trinnene:
- Fork depotet: Klikk på knappen "Fork" øverst til høyre på denne siden.
- Klon depotet:
git clone https://github.com/microsoft/ML-For-Beginners.git
finn alle tilleggsmaterialer for dette kurset i vår Microsoft Learn-samling
🔧 Trenger du hjelp? Sjekk vår Feilsøkingsguide for løsninger på vanlige problemer med installasjon, oppsett og kjøring av leksjoner.
Studenter, for å bruke denne læreplanen, fork hele repoet til din egen GitHub-konto og fullfør oppgavene på egenhånd eller i gruppe:
- Start med en quiz før forelesningen.
- Les forelesningen og fullfør aktivitetene, ta pause og reflekter på hvert kunnskapssjekkpunkt.
- Prøv å lage prosjektene ved å forstå leksjonene i stedet for å bare kjøre løsningskoden; koden er imidlertid tilgjengelig i
/solution-mappene i hver prosjektorienterte leksjon. - Ta quizen etter forelesningen.
- Fullfør utfordringen.
- Fullfør oppgaven.
- Etter å ha fullført en leksjonsgruppe, besøk Diskusjonsforumet og "lær høyt" ved å fylle ut passende PAT-vurderingsskjema. En 'PAT' er et fremdriftsvurderingsverktøy som er en rubrikk du fyller ut for å fremme læringen din. Du kan også reagere på andres PAT-er slik at vi kan lære sammen.
For videre studier anbefaler vi å følge disse Microsoft Learn-modulene og læringsløpene.
Lærere, vi har inkludert noen forslag om hvordan du kan bruke denne læreplanen.
Noen av leksjonene er tilgjengelige som korte videoer. Du finner alle disse innbakt i leksjonene, eller på ML for Beginners-spillelisten på Microsoft Developer YouTube-kanalen ved å klikke på bildet nedenfor.
Gif av Mohit Jaisal
🎥 Klikk på bildet over for en video om prosjektet og folka som skapte det!
Vi har valgt to pedagogiske prinsipper mens vi bygget denne læreplanen: å sikre at den er praktisk prosjektbasert og at den inkluderer hyppige quizer. I tillegg har denne læreplanen et felles tema for å gi den sammenheng.
Ved å sikre at innholdet er tilpasset prosjekter, blir prosessen mer engasjerende for studentene og bedre bevaring av konsepter vil bli styrket. I tillegg setter en lavterskel-quiz før en time intensjonen for studenten mot å lære et tema, mens en andre quiz etter timen sikrer ytterligere innlæring. Denne læreplanen er utformet for å være fleksibel og morsom og kan tas i sin helhet eller delvis. Prosjektene starter smått og blir gradvis mer komplekse mot slutten av 12-ukerssyklusen. Denne læreplanen inkluderer også et etterspill om virkelige anvendelser av ML, som kan brukes som ekstra poeng eller som grunnlag for diskusjon.
Finn våre retningslinjer for Atferdskodeks, Bidrag, Oversettelser og Feilsøking. Vi ønsker dine konstruktive tilbakemeldinger velkommen!
- valgfri skisse
- valgfri supplerende video
- video-gjennomgang (kun noen leksjoner)
- quiz før forelesningen
- skriftlig leksjon
- for prosjektbaserte leksjoner, trinnvise veiledninger for å bygge prosjektet
- kunnskapssjekker
- en utfordring
- supplerende lesing
- oppgave
- quiz etter forelesningen
En merknad om språk: Disse leksjonene er primært skrevet i Python, men mange er også tilgjengelige i R. For å fullføre en R-leksjon, gå til
/solution-mappen og se etter R-leksjoner. De inkluderer en .rmd-utvidelse som representerer en R Markdown-fil som enkelt kan defineres som en innbygging avkodebiter(av R eller andre språk) og enYAML-header(som styrer hvordan man formaterer utdata som PDF) i etMarkdown-dokument. Som sådan fungerer det som en eksemplarisk forfatterramme for data science siden det lar deg kombinere koden din, dens utdata og tankene dine ved at du kan skrive dem ned i Markdown. Dessuten kan R Markdown-dokumenter renderes til utdataformater som PDF, HTML eller Word. En merknad om quizzer: Alle quizzer er samlet i Quiz App-mappen, totalt 52 quizzer med tre spørsmål hver. De er lenket fra leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonene iquiz-app-mappen for å være vert lokalt eller distribuere til Azure.
| Leksjonsnummer | Emne | Leksjonsgruppe | Læringsmål | Lenket leksjon | Forfatter |
|---|---|---|---|---|---|
| 01 | Introduksjon til maskinlæring | Introduksjon | Lær de grunnleggende konseptene bak maskinlæring | Leksjon | Muhammad |
| 02 | Historien til maskinlæring | Introduksjon | Lær historien bak dette fagfeltet | Leksjon | Jen og Amy |
| 03 | Rettferdighet og maskinlæring | Introduksjon | Hva er de viktige filosofiske spørsmålene rundt rettferdighet som studenter bør vurdere når de bygger og bruker ML-modeller? | Leksjon | Tomomi |
| 04 | Teknikker for maskinlæring | Introduksjon | Hvilke teknikker bruker ML-forskere for å bygge ML-modeller? | Leksjon | Chris og Jen |
| 05 | Introduksjon til regresjon | Regresjon | Kom i gang med Python og Scikit-learn for regresjonsmodeller | Python • R | Jen • Eric Wanjau |
| 06 | Nordamerikanske gresskarpriser 🎃 | Regresjon | Visualiser og rens data som forberedelse til ML | Python • R | Jen • Eric Wanjau |
| 07 | Nordamerikanske gresskarpriser 🎃 | Regresjon | Bygg lineære og polynomregresjonsmodeller | Python • R | Jen og Dmitry • Eric Wanjau |
| 08 | Nordamerikanske gresskarpriser 🎃 | Regresjon | Bygg en logistisk regresjonsmodell | Python • R | Jen • Eric Wanjau |
| 09 | En webapp 🔌 | Web-app | Bygg en webapp for å bruke den trente modellen din | Python | Jen |
| 10 | Introduksjon til klassifisering | Klassifisering | Rens, forbered og visualiser data; introduksjon til klassifisering | Python • R | Jen og Cassie • Eric Wanjau |
| 11 | Deilige asiatiske og indiske kjøkken 🍜 | Klassifisering | Introduksjon til klassifikatorer | Python • R | Jen og Cassie • Eric Wanjau |
| 12 | Deilige asiatiske og indiske kjøkken 🍜 | Klassifisering | Flere klassifikatorer | Python • R | Jen og Cassie • Eric Wanjau |
| 13 | Deilige asiatiske og indiske kjøkken 🍜 | Klassifisering | Bygg en anbefalingswebapp ved å bruke modellen din | Python | Jen |
| 14 | Introduksjon til klynging | Klynging | Rens, forbered og visualiser data; introduksjon til klynging | Python • R | Jen • Eric Wanjau |
| 15 | Utforske nigerianske musikksmaker 🎧 | Klynging | Utforsk K-Means klyngemetoden | Python • R | Jen • Eric Wanjau |
| 16 | Introduksjon til naturlig språkbehandling ☕️ | Naturlig språkbehandling | Lær det grunnleggende om NLP ved å bygge en enkel bot | Python | Stephen |
| 17 | Vanlige NLP-oppgaver ☕️ | Naturlig språkbehandling | Fordyp NLP-kunnskapene dine ved å forstå vanlige oppgaver ved språklige strukturer | Python | Stephen |
| 18 | Oversettelse og sentimentanalyse |
Naturlig språkbehandling | Oversettelse og sentimentanalyse med Jane Austen | Python | Stephen |
| 19 | Romantiske hoteller i Europa |
Naturlig språkbehandling | Sentimentanalyse med hotellvurderinger 1 | Python | Stephen |
| 20 | Romantiske hoteller i Europa |
Naturlig språkbehandling | Sentimentanalyse med hotellvurderinger 2 | Python | Stephen |
| 21 | Introduksjon til tidsseriefremskrivning | Tidsserie | Introduksjon til tidsseriefremskrivning | Python | Francesca |
| 22 | ⚡️ Verdens strømforbruk ⚡️ - tidsseriefremskrivning med ARIMA | Tidsserie | Tidsseriefremskrivning med ARIMA | Python | Francesca |
| 23 | ⚡️ Verdens strømforbruk ⚡️ - tidsseriefremskrivning med SVR | Tidsserie | Tidsseriefremskrivning med Support Vector Regressor | Python | Anirban |
| 24 | Introduksjon til forsterkende læring | Forsterkende læring | Introduksjon til forsterkende læring med Q-Læring | Python | Dmitry |
| 25 | Hjelp Peter å unngå ulven! 🐺 | Forsterkende læring | Forsterkende læring Gym | Python | Dmitry |
| Etterord | Virkelige ML-scenarier og applikasjoner | ML i feltet | Interessante og avslørende virkelige bruksområder av klassisk ML | Leksjon | Team |
| Etterord | Modellfeilsøking i ML ved bruk av RAI-dashboard | ML i feltet | Modellfeilsøking i maskinlæring med Responsible AI-dashboardkomponenter | Leksjon | Ruth Yakubu |
finn alle ekstra ressurser for dette kurset i vår Microsoft Learn-samling
Du kan kjøre denne dokumentasjonen frakoblet ved å bruke Docsify. Fork dette depotet, installer Docsify på din lokale maskin, og så i rotmappen til dette depotet, skriv docsify serve. Nettstedet vil bli servert på port 3000 på din lokale vertsadresse: localhost:3000.
Finn en pdf av læreplanen med lenker her.
Vårt team produserer andre kurs! Sjekk ut:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
Hvis du blir sittende fast eller har spørsmål om å bygge AI-apper. Bli med andre lærende og erfarne utviklere i diskusjoner om MCP. Det er et støttende fellesskap hvor spørsmål er velkomne og kunnskap deles fritt.
Hvis du har produktfeedback eller opplever feil under bygging, besøk:
- Gå gjennom notatbøker etter hver leksjon for bedre forståelse.
- Øv på å implementere algoritmer på egenhånd.
- Utforsk virkelige datasett ved hjelp av lærte konsepter.
Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vennligst vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på originalspråket bør betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.